Erlernen des Fahrens in einer realitätsnahen Simulation mit Deep Q-Networks

Wir stellen einen Reinforcement-Learning-Ansatz vor, der Deep Q-Networks verwendet, um ein Fahrzeug in einer 3D-Physiksimulation zu steuern. Allein anhand von Kamera-Bildeingaben lernt der Ansatz das Lenken des Fahrzeugs direkt in einem end-to-end Verfahren. Das System ist in der Lage, menschliches Fahrverhalten ohne die Notwendigkeit von gelabelten Trainingsdaten zu erlernen. Es wird eine auf Aktionen-basierende Belohnungsfunktion vorgeschlagen, die durch eine potenzielle Anwendung in realen Reinforcement-Learning-Szenarien motiviert ist. Im Vergleich zu einer naiven distanzbasierten Belohnungsfunktion verbessert sie das allgemeine Fahrverhalten des Fahrzeugagents. Der Agent erreicht sogar eine fahrzeugführerähnliche Leistung auf einer zuvor ungesehenen Strecke in unserer Simulationsumgebung.